保姆级教程：在Ubuntu 18.04上用OpenCV C++搞定双目摄像头测距（附完整项目源码）
从零构建双目视觉测距系统：Ubuntu 18.04实战指南
双目视觉技术正逐渐成为机器人导航、自动驾驶和工业检测领域的标配方案。不同于单目摄像头依赖先验信息的局限性，双目系统通过模拟人眼视差原理，可直接计算物体深度信息。本文将带您从零搭建一套完整的双目测距系统，涵盖环境配置、标定参数转换、代码调试等全流程实战细节。
1. 开发环境搭建与OpenCV编译
在Ubuntu 18.04上构建双目视觉系统，首要任务是配置支持双目算法的OpenCV环境。官方预编译版本通常不包含contrib模块的关键功能，因此需要从源码编译。
1.1 系统依赖安装
执行以下命令安装基础编译工具和依赖库：
sudo apt-get update sudo apt-get install -y build-essential cmake git libgtk2.0-dev sudo apt-get install -y pkg-config libavcodec-dev libavformat-dev libswscale-dev sudo apt-get install -y libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev特别提醒：Ubuntu 18.04默认的GCC版本为7.5，完全兼容OpenCV 4.3.0。若使用更高版本系统，需注意GLIBC兼容性问题。
1.2 OpenCV源码编译
建议在用户目录下创建专门的开发空间：
mkdir ~/vision_ws && cd ~/vision_ws git clone --branch 4.3.0 https://github.com/opencv/opencv.git git clone --branch 4.3.0 https://github.com/opencv/opencv_contrib.git配置编译选项时，务必启用以下关键模块：
cd opencv && mkdir build && cd build cmake -D CMAKE_BUILD_TYPE=RELEASE \ -D CMAKE_INSTALL_PREFIX=/usr/local \ -D OPENCV_EXTRA_MODULES_PATH=../../opencv_contrib/modules \ -D WITH_TBB=ON \ -D WITH_OPENMP=ON \ -D OPENCV_ENABLE_NONFREE=ON \ -D BUILD_EXAMPLES=OFF \ -D BUILD_opencv_python3=OFF \ -D BUILD_TESTS=OFF ..注意：编译过程可能持续30-60分钟，建议使用
make -j$(nproc)加速。完成后执行sudo make install安装。
2. 双目摄像头标定实战
精确的相机标定是双目测距的基础。虽然OpenCV提供标准标定工具，但在实际项目中常遇到标定结果转换问题。
2.1 标定数据采集技巧
使用OpenCV的stereo_calib.cpp示例采集图像时，建议：
- 保持棋盘格平整（可粘贴在硬质平板上）
- 覆盖相机视野的不同位置和角度
- 左右摄像头同步采集（硬件触发最佳）
- 每组采集15-20张有效图像
典型采集命令：
./stereo_calib -w=9 -h=6 -s=0.025 -showrectify -left=/path/to/left_imgs/ -right=/path/to/right_imgs/2.2 标定参数解析与应用
标定输出的stereo_calibration.yml包含以下关键参数：
| 参数组 | 关键参数 | 说明 |
|---|---|---|
| CameraMatrix1 | fx, fy, cx, cy | 左相机内参矩阵 |
| DistCoeffs1 | k1, k2, p1, p2, k3 | 左相机畸变系数 |
| CameraMatrix2 | fx, fy, cx, cy | 右相机内参矩阵 |
| DistCoeffs2 | k1, k2, p1, p2, k3 | 右相机畸变系数 |
| R | 旋转矩阵 | 右相机相对于左相机的旋转 |
| T | 平移向量 | 右相机相对于左相机的平移 |
| E | 本质矩阵 | 立体几何关系 |
| F | 基础矩阵 | 极线约束关系 |
在C++代码中加载这些参数时，需特别注意YAML文件的编码格式。遇到乱码时可使用iconv转换：
iconv -f GBK -t UTF-8 stereo_calibration.yml > stereo_calibration_utf8.yml3. 测距核心代码实现
双目测距的核心流程包括图像校正、视差计算和深度转换三个关键阶段。
3.1 图像校正实现
使用标定参数初始化校正映射：
Mat R1, R2, P1, P2, Q; stereoRectify(cameraMatrix1, distCoeffs1, cameraMatrix2, distCoeffs2, imageSize, R, T, R1, R2, P1, P2, Q, CALIB_ZERO_DISPARITY, 0, imageSize); initUndistortRectifyMap(cameraMatrix1, distCoeffs1, R1, P1, imageSize, CV_32FC1, map11, map12); initUndistortRectifyMap(cameraMatrix2, distCoeffs2, R2, P2, imageSize, CV_32FC1, map21, map22);实时校正处理：
remap(leftFrame, leftRectified, map11, map12, INTER_LINEAR); remap(rightFrame, rightRectified, map21, map22, INTER_LINEAR);3.2 视差计算优化
SGBM（Semi-Global Block Matching）算法在精度和效率间取得较好平衡：
Ptr<StereoSGBM> sgbm = StereoSGBM::create( minDisparity, numDisparities, blockSize, P1=8*channels*blockSize*blockSize, P2=32*channels*blockSize*blockSize, disp12MaxDiff=1, preFilterCap=63, uniquenessRatio=10, speckleWindowSize=100, speckleRange=32, mode=StereoSGBM::MODE_SGBM_3WAY);提示：实际部署时可调整以下参数提升效果：
- 减小
numDisparities提高速度- 增大
uniquenessRatio减少误匹配- 启用
MODE_HH获取更平滑结果
4. 项目工程化与性能优化
将算法集成到实际项目时，需要考虑代码结构、实时性和部署便利性。
4.1 CMake工程配置
完整的CMakeLists.txt应包含以下关键内容：
cmake_minimum_required(VERSION 3.10) project(StereoVision) set(CMAKE_CXX_STANDARD 11) find_package(OpenCV REQUIRED) add_executable(stereo_depth src/main.cpp src/stereo_calib.cpp src/disparity.cpp) target_link_libraries(stereo_depth ${OpenCV_LIBS}) install(TARGETS stereo_depth DESTINATION bin)4.2 实时性能优化技巧
- 图像降采样：在保证精度的前提下，将1080p输入降为720p处理
- ROI处理：只计算感兴趣区域的视差
- 异步流水线：使用双缓冲机制分离采集与处理线程
- GPU加速：对校正和视差计算模块启用CUDA：
cuda::GpuMat gpuLeft, gpuRight, gpuDisp; gpuLeft.upload(leftRectified); gpuRight.upload(rightRectified); Ptr<cuda::StereoBM> stereo = cuda::createStereoBM(numDisparities, blockSize); stereo->compute(gpuLeft, gpuRight, gpuDisp); gpuDisp.download(disp);实际测试表明，在NVIDIA Jetson Xavier上，CUDA加速可使处理速度提升5-8倍。
5. 常见问题排查指南
双目系统实施过程中常遇到以下典型问题：
5.1 标定失败排查
- 问题现象：重投影误差大于0.5像素
- 可能原因：
- 棋盘格图像模糊或未完全显示
- 标定板物理尺寸输入错误
- 左右图像未严格同步
- 解决方案：
- 使用更高对比度的标定板
- 验证
-w、-h、-s参数与实际物理尺寸一致 - 检查相机时间戳或使用硬件触发
5.2 视差图质量问题
- 问题现象：视差图出现大面积噪声或条纹
- 调试步骤：
- 检查校正后的图像是否行对齐
- 逐步调整SGBM参数：
- 先设置
minDisparity=0，numDisparities=64 - 逐步增加
blockSize直到获得稳定结果
- 先设置
- 添加后处理滤波：
Mat filteredDisp; cv::ximgproc::weightedMedianFilter( disp, leftRectified, filteredDisp, 15);
5.3 深度测量误差分析
当实测深度值与真实值偏差较大时，建议检查：
- 标定时的基线距离（T向量长度）是否准确
- 相机安装是否发生物理位移
- 目标物体是否具有足够的纹理特征
- 视差计算区域是否包含有效像素
一个实用的验证方法是测量已知距离的标定板，建立误差补偿模型。在3米范围内，良好标定的系统误差应小于2%。
6. 进阶扩展方向
完成基础测距功能后，可考虑以下增强方案：
- 多相机同步系统：通过PTP协议实现多设备纳秒级同步
- 动态标定：使用AprilTag等标记物实现在线标定更新
- 深度学习融合：将传统算法与神经网络预测结果融合：
# 示例伪代码：使用ONNX Runtime加载深度学习模型 import onnxruntime as ort sess = ort.InferenceSession("dispnet.onnx") inputs = {"left": left_np, "right": right_np} disp_pred = sess.run(None, inputs)[0]- 点云可视化：将深度图转换为3D点云并集成到ROS或Unity环境：
reprojectImageTo3D(disp, pointCloud, Q, true);在实际机器人项目中，建议将双目系统与IMU数据进行融合，通过卡尔曼滤波提升动态环境下的测距稳定性。